本地个人知识库：Obsidian + Ollama 的可复用知识系统

项目背景

个人知识库解决的是「学过的东西留不住、要用时找不到」的问题。它的设计原则是 本地优先、隐私可控、可复用：所有资料与模型推理都在本机完成，不依赖云端账号，也不把敏感笔记上传到第三方。技术上以 Obsidian 为知识前端，以本地 Ollama 提供轻量推理，以 Python 脚本承担索引与抽取，形成一套可长期维护的「第二大脑」。

技术架构

前端 / 容器：Obsidian Vault 作为笔记容器，支持双链、关系图与本地搜索。
推理层：Ollama 运行 qwen3.5:9b，承担摘要、抽取、问答等本地任务。
索引层：Python 构建脚本扫描 Vault，解析 PDF（PyMuPDF）与 Markdown，生成三级索引与标签统计。
组织层：PARA（项目 / 领域 / 资源 / 归档）+ LYT（链接主题）组合，配合双轴标签。

核心设计

PARA + LYT 组织：用 PARA 决定「笔记属于哪个行动上下文」，用 LYT 的主题页把相关笔记聚合成可导航的结构，避免知识孤岛。
三级索引：MOC（地图页）→ 主题页 → 原子笔记。MOC 提供全局概览，主题页承载一类知识的入口，原子笔记记录最小可复用事实。
双轴标签：每条笔记同时打「主题轴」（如 Transformer、医学影像）和「项目轴」（如智医助手），使同一篇笔记能在不同项目里被检索到。
Python 构建脚本：在 Git 提交前自动跑一遍，重建索引、校验断链、统计标签分布，把维护成本从手工降到自动。

关键技术决策

数据不出本机：模型与存储都在本地，只有主动导出时才离开机器，符合隐私红线。
确定性任务交给脚本：抽取标题、生成索引这类任务用 Python 而非 LLM，稳定且可复现。
Markdown 可移植：笔记是纯文本，未来可无缝导入任意静态站点生成器或知识工具，不被厂商锁定。

与算法 / AI 应用开发的关联

知识库是「把单次实验沉淀为可复用工作流」的地基。它让我在智医助手、论文阅读、Transformer 学习等场景里能快速调取证据，也直接支撑了这个博客的「AI 实践」内容生产——很多文章与项目笔记都来自这里的原子笔记。

反思与后续

计划引入本地向量检索增强跨笔记语义搜索，降低对关键词的依赖。
索引脚本可支持增量更新，避免全量重建。
探索把 Vault 的一部分自动发布为博客文章，形成「笔记 → 发布」的半自动流水线。